工業(yè)智能前沿報(bào)告（2020年）

1、目錄 HYPERLINK l _bookmark0 一、研究概述 HYPERLINK l _bookmark0 1 HYPERLINK l _bookmark1 二、全球發(fā)展態(tài)勢(shì) HYPERLINK l _bookmark1 2 HYPERLINK l _bookmark2 三、我國(guó)發(fā)展現(xiàn)狀 HYPERLINK l _bookmark2 6 HYPERLINK l _bookmark3 四、技術(shù)預(yù)見 HYPERLINK l _bookmark3 10 HYPERLINK l _bookmark4 （一）國(guó)際技術(shù)預(yù)見 HYPERLINK l _bookmark4 10 HYPERLINK l _

2、bookmark5 模型遷移推動(dòng)工業(yè)智能多場(chǎng)景復(fù)用 10 HYPERLINK l _bookmark6 數(shù)據(jù)挖掘驅(qū)動(dòng)工業(yè)智能認(rèn)知與決策 11 HYPERLINK l _bookmark7 多協(xié)同計(jì)算促進(jìn)工業(yè)智能泛在支持 12 HYPERLINK l _bookmark8 （二）國(guó)內(nèi)技術(shù)預(yù)見 HYPERLINK l _bookmark8 13 HYPERLINK l _bookmark9 能耗控制拓寬工業(yè)智能布局 13 HYPERLINK l _bookmark10 數(shù)據(jù)安全保障工業(yè)智能應(yīng)用 14 HYPERLINK l _bookmark11 高速通信助力工業(yè)智能創(chuàng)新 15 HYPERLINK

3、 l _bookmark12 五、工程難題 HYPERLINK l _bookmark12 15 HYPERLINK l _bookmark13 （一）國(guó)際工程難題 HYPERLINK l _bookmark13 15 HYPERLINK l _bookmark14 可適應(yīng)、可進(jìn)化的智能算法 15 HYPERLINK l _bookmark15 多特征、廣覆蓋的數(shù)據(jù)處理 16 HYPERLINK l _bookmark16 快響應(yīng)、高穩(wěn)定的云邊交互 18 HYPERLINK l _bookmark17 （二）國(guó)內(nèi)工程難題 HYPERLINK l _bookmark17 19 HYPERLINK

4、 l _bookmark18 綠色制造有待優(yōu)化 19 HYPERLINK l _bookmark19 安全技術(shù)仍待開發(fā) 20 HYPERLINK l _bookmark20 5G 技術(shù)尚需融合 21 HYPERLINK l _bookmark21 六、政策建議 HYPERLINK l _bookmark21 22一、 研究概述隨著人工智能技術(shù)體系的不斷發(fā)展完善以及物聯(lián)網(wǎng)、云計(jì)算、數(shù)字孿生等新一代信息技術(shù)的不斷成熟，智能制造和工業(yè)互聯(lián)網(wǎng)正成為學(xué)術(shù)界與產(chǎn)業(yè)界的重點(diǎn)研究課題。工業(yè)智能正是智能制造和工業(yè)互聯(lián)網(wǎng)發(fā)展的核心。工業(yè)智能以工業(yè)產(chǎn)業(yè)鏈為主，服務(wù)于工業(yè)產(chǎn)業(yè)鏈上下游，以工業(yè)數(shù)據(jù)為基礎(chǔ)，人工智能算法為

5、核心，其他先進(jìn)信息技術(shù)為輔助，通過(guò)對(duì)工業(yè)產(chǎn)業(yè)鏈中的各個(gè)環(huán)節(jié)、對(duì)象進(jìn)行深度滲透與改造，從而達(dá)到重塑工業(yè)形態(tài)、提升工業(yè)能效的目的；同時(shí)工業(yè)智能亦形成了向工業(yè)產(chǎn)業(yè)鏈外相關(guān)產(chǎn)業(yè)輻射的趨勢(shì)，通過(guò)在工業(yè)場(chǎng)景下的工業(yè)智能成功案例推廣，推動(dòng)綜合智能技術(shù)在其它領(lǐng)域的應(yīng)用，從而達(dá)到促進(jìn)生活、生產(chǎn)模式整體升級(jí)的目的，也即以增量帶動(dòng)存量，以創(chuàng)新引領(lǐng)革新。在工業(yè)智能的發(fā)展和應(yīng)用過(guò)程中，多技術(shù)的升級(jí)與融合是促成這一演進(jìn)的重要推動(dòng)力。以深度學(xué)習(xí)、遷移學(xué)習(xí)為代表的新興人工智能技術(shù)打破了傳統(tǒng)以知識(shí)驅(qū)動(dòng)為核心的專家系統(tǒng)，同時(shí)大數(shù)據(jù)、邊緣計(jì)算、區(qū)塊鏈、數(shù)字孿生、知識(shí)圖譜等先進(jìn)技術(shù)的發(fā)展為重塑產(chǎn)業(yè)生態(tài)提供了可靠支撐。工業(yè)智能在復(fù)雜的

6、工業(yè)場(chǎng)景中，必須要依靠通信技術(shù)、信息技術(shù)、數(shù)據(jù)技術(shù)以及人工智能技術(shù)的深度融合，才能實(shí)現(xiàn)針對(duì)不同場(chǎng)景的適應(yīng)度好的應(yīng)用落地，因此，工業(yè)智能不是簡(jiǎn)單的工業(yè)+人工智能，而是一種多技術(shù)融合應(yīng)用到多場(chǎng)景的綜合智能技術(shù)。 前三次工業(yè)革命分別把工業(yè)推向了機(jī)械化、電氣化、自動(dòng)化，但人們?nèi)找嬖鲩L(zhǎng)的生活需求促使著工業(yè)向更高等級(jí)躍遷，而隨著傳統(tǒng)工業(yè)模式的逐漸成熟，節(jié)能減排的措施不斷落實(shí)，舊的工業(yè)模式已經(jīng)無(wú)法涌動(dòng)出更大的產(chǎn)能。因此，如何挖掘現(xiàn)有工業(yè)規(guī)模的潛力，釋放出最大化的能效，是工業(yè)領(lǐng)域踐行可持續(xù)發(fā)展和綠色發(fā)展方針?biāo)枰鉀Q的重要問題。工業(yè)智能正是解決這一問題的關(guān)鍵手段，通過(guò)智能化、數(shù)字化手段改造傳統(tǒng)人工作業(yè)模式，形

7、成設(shè)計(jì)、生產(chǎn)、管理自主決策，優(yōu)化工業(yè)各環(huán)節(jié)的資源配置，綜合智能技術(shù)打破傳統(tǒng)工業(yè)應(yīng)用中的實(shí)施壁壘，由此激發(fā)整個(gè)工業(yè)生態(tài)的高效穩(wěn)定產(chǎn)出。盡管如此，工業(yè)智能的發(fā)展仍然存在著阻礙與挑戰(zhàn)，傳統(tǒng)算法伸縮性較弱、適應(yīng)性較差，不利于同步新技術(shù)與適應(yīng)新場(chǎng)景；工業(yè)數(shù)據(jù)安全性較低、保護(hù)機(jī)制不夠成熟，不利于智能生態(tài)閉環(huán)建設(shè)；工業(yè)智能模型復(fù)雜，部署成本高，消耗能量大，不利于項(xiàng)目落地。在此背景下，國(guó)務(wù)院、教育部、工信部、科技部等部門發(fā)布多項(xiàng)政策，從基礎(chǔ)教育、產(chǎn)業(yè)布局、資金投入、政策傾斜等多個(gè)角度，為工業(yè)智能的發(fā)展構(gòu)建了良好的環(huán)境。因此，撰寫組以工業(yè)智能為核心，圍繞工業(yè)智能與新興技術(shù)、工業(yè)產(chǎn)業(yè)的結(jié)合點(diǎn)，總結(jié)了國(guó)內(nèi)外工業(yè)智能

8、發(fā)展現(xiàn)狀，提出了應(yīng)用過(guò)程中出現(xiàn)的工程難題及挑戰(zhàn)，編寫了此份前沿報(bào)告。主要內(nèi)容包括：工業(yè)智能的全球發(fā)展態(tài)勢(shì)和我國(guó)發(fā)展現(xiàn)狀、國(guó)內(nèi)外的技術(shù)預(yù)見及工程難題，最后給出了我們?cè)诩夹g(shù)和產(chǎn)業(yè)政策方面的建議。二、 全球發(fā)展態(tài)勢(shì)工業(yè)智能概念是隨著人工智能技術(shù)不斷發(fā)展以及其與工業(yè)應(yīng)用不斷融合下出現(xiàn)的，以人工智能技術(shù)為代表的第四次工業(yè)革命正在發(fā)生，其所促進(jìn)的工業(yè)升級(jí)從傳統(tǒng)的機(jī)械化、電氣化、自動(dòng)化向網(wǎng)絡(luò)化、數(shù)字化、智能化轉(zhuǎn)變，而工業(yè)智能正是新型工業(yè)形態(tài)的核心要素。各國(guó)早早地認(rèn)識(shí)到工業(yè)智能為工業(yè)發(fā)展帶來(lái)的好處，已經(jīng)在各個(gè)工業(yè)生產(chǎn)領(lǐng)域投入大量的研發(fā)資源，將大量先進(jìn)技術(shù)投入到工業(yè)生產(chǎn)中，探索出一批成熟應(yīng)用并將其快速推廣，以源

9、頭推動(dòng)工業(yè)產(chǎn)業(yè)鏈的升級(jí)。新的計(jì)算基礎(chǔ)設(shè)施、算法以及工業(yè)流程和不斷增長(zhǎng)的數(shù)據(jù)注定了工業(yè)智能必將從傳統(tǒng)的依賴專家知識(shí)的算法和計(jì)算機(jī)系統(tǒng)向借助人工智能技術(shù)進(jìn)行智能化、數(shù)字化的實(shí)時(shí)監(jiān)測(cè)和控制轉(zhuǎn)變1。當(dāng)前，工業(yè)領(lǐng)域中運(yùn)用最多的是如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法，它們主要被應(yīng)用于圖像分類、目標(biāo)識(shí)別和視頻跟蹤等計(jì)算機(jī)視覺應(yīng)用與語(yǔ)音分析中。除此之外，其它人工智能技術(shù)如強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等，也在各個(gè)工業(yè)領(lǐng)域、環(huán)節(jié)中發(fā)揮了巨大的作用。在電力能源領(lǐng)域的研究中，人工智能技術(shù)主要通過(guò)處理系統(tǒng)或能源基礎(chǔ)裝置上的傳感器數(shù)據(jù)來(lái)實(shí)現(xiàn)檢測(cè)、預(yù)測(cè)、管理和實(shí)時(shí)控制。如基于物聯(lián)網(wǎng)的深度學(xué)習(xí)方法2，從數(shù)據(jù)中自動(dòng)提取特

10、征，用于負(fù)載預(yù)測(cè)；采用隱馬爾可夫模型與 Q-Learning 結(jié)合3，用于分層智能電網(wǎng)架構(gòu)下需求預(yù)測(cè)的實(shí)時(shí)決策；基于層次時(shí)間序列特征提取的三階段多視圖疊加集成機(jī)器學(xué)習(xí)模型4，用于檢測(cè)盜電和異常停電；加拿大溫莎大學(xué)采用特征提取、選擇和去噪檢測(cè)風(fēng)電場(chǎng)渦輪機(jī)軸承故障5，并采用自適應(yīng)貝葉斯算法預(yù)測(cè)風(fēng)電場(chǎng)設(shè)備剩余使用壽命，以提升風(fēng)電設(shè)備維護(hù)效率；印度鋼鐵研發(fā)中心采用專家系統(tǒng)6，用于給出熔爐參數(shù)調(diào)整操作的專家建議以提升熔爐效率。在工業(yè)制造領(lǐng)域的研究中，異常檢測(cè)、過(guò)程管理、過(guò)程優(yōu)化以及預(yù)測(cè)性維護(hù)是當(dāng)前研究的熱點(diǎn)。如采用增量式時(shí)空學(xué)習(xí)算法7，用于視頻監(jiān)控的同時(shí)實(shí)時(shí)檢測(cè)和定位異常；采用向量符號(hào)架構(gòu)8,用于分布式

11、故障隔離；采用設(shè)備數(shù)據(jù)驅(qū)動(dòng)的深度信念網(wǎng)絡(luò)結(jié)合蟻群算法9，用于硬件的狀態(tài)評(píng)估和預(yù)測(cè)性維護(hù)；采用稀疏自編碼器和深度信念網(wǎng)絡(luò)處理多傳感器特征10，用于軸承故障檢測(cè)；美國(guó) Corus 公司采用專家系統(tǒng)診斷結(jié)晶器液面自動(dòng)控制系統(tǒng)故障狀態(tài)；智利天主教大學(xué)采用基于動(dòng)態(tài)增量主成分分析方法與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)工業(yè)電機(jī)故障進(jìn)行檢測(cè)與識(shí)別11，在中試工業(yè)電機(jī)上的測(cè)試表明，方法故障檢測(cè)率超過(guò) 99%，虛警率低于 5%，識(shí)別準(zhǔn)確率超過(guò) 90%；荷蘭 Scyfer 公司使用深度學(xué)習(xí)與半監(jiān)督學(xué)習(xí)結(jié)合的方法對(duì)鋼表面進(jìn)行檢測(cè)12，用于檢測(cè)鋼產(chǎn)品的罕見未知缺陷。在工業(yè)數(shù)據(jù)處理的研究中，研究主要集中于人工智能技術(shù)方法與云計(jì)算、邊緣

12、計(jì)算以及智能傳感器的應(yīng)用融合中。如以用戶為中心的云邊協(xié)同數(shù)據(jù)處理框架13，用于為物聯(lián)網(wǎng)和信息物理系統(tǒng)提供隱私保護(hù)的同時(shí)實(shí)現(xiàn)數(shù)據(jù)的高效分析；采用自進(jìn)化式的人工智能方法14，實(shí)現(xiàn)在物聯(lián)網(wǎng)、信息物理系統(tǒng)以及視頻監(jiān)控中數(shù)據(jù)的互操作；提出分層分布式的霧計(jì)算體系結(jié)構(gòu)15，采用序列學(xué)習(xí)算法結(jié)合傳感器數(shù)據(jù)，用于基礎(chǔ)設(shè)施和服務(wù)集成；開羅美國(guó)大學(xué)提出了一種基于自動(dòng)編碼器檢測(cè)虛假數(shù)據(jù)注入攻擊的方法16，一方面可清除虛假數(shù)據(jù)，另一方面也可恢復(fù)正常數(shù)據(jù)，提升了工業(yè)物聯(lián)網(wǎng)平臺(tái)安全性能；伊朗伊斯蘭阿扎德大學(xué)利用支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)對(duì)工業(yè)制藥系統(tǒng)中凈水裝置的傳感器數(shù)據(jù)進(jìn)行處理17，用以檢測(cè)制藥水源水質(zhì)異常，保障所生產(chǎn)藥品的安

13、全性和質(zhì)量。在工業(yè)過(guò)程和實(shí)時(shí)監(jiān)控的研究中，基于數(shù)據(jù)驅(qū)動(dòng)的人工智能方法是當(dāng)前實(shí)現(xiàn)復(fù)雜工業(yè)過(guò)程的監(jiān)測(cè)、控制和管理的研究熱點(diǎn)。如基于流數(shù)據(jù)樣本接收的遞歸緩慢特征分析算法18，用于粗加熱爐系統(tǒng)自適應(yīng)過(guò)程監(jiān)控；基于神經(jīng)自適應(yīng)分裂和合并徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)19，用于控制濕法煉鋅廠的動(dòng)態(tài)除鐵過(guò)程;基于強(qiáng)化學(xué)習(xí)的混合儲(chǔ)能系統(tǒng)20,用于光伏發(fā)電和柴油發(fā)電組成的混合交/直流微電網(wǎng)在線最優(yōu)控制；基于無(wú)監(jiān)督定寬聚類的狀態(tài)識(shí)別21，用于監(jiān)控和數(shù)據(jù)采集過(guò)程中的入侵檢測(cè)；基于多智能體控制實(shí)現(xiàn)生產(chǎn)單元間的協(xié)同22，用于物流處理；俄羅斯科學(xué)院機(jī)械工程研究所針對(duì)自動(dòng)化生產(chǎn)線上的產(chǎn)品質(zhì)量與生產(chǎn)設(shè)備的狀態(tài)進(jìn)行監(jiān)控23，基于神經(jīng)網(wǎng)絡(luò)對(duì)過(guò)

14、程狀態(tài)進(jìn)行識(shí)別，提高產(chǎn)品質(zhì)量及生產(chǎn)效率；澳大利亞 BHP 公司采用熱平衡模型和專家知識(shí)，用于高爐工長(zhǎng)指導(dǎo)系統(tǒng)實(shí)現(xiàn)爐熱平衡控制。綜上所述，工業(yè)智能在不同領(lǐng)域上都開展了一些研究工作，已經(jīng)形成了一些成熟的應(yīng)用模式，同時(shí)伴隨著人工智能及其相關(guān)技術(shù)的發(fā)展和突破，工業(yè)智能在擴(kuò)大應(yīng)用場(chǎng)景的同時(shí)也在不斷更新技術(shù)，以求將先進(jìn)技術(shù)快速轉(zhuǎn)化為生產(chǎn)力。當(dāng)前工業(yè)智能的實(shí)踐已經(jīng)證明，工業(yè)智能的發(fā)展，促使工業(yè)產(chǎn)業(yè)鏈上下游、工業(yè)產(chǎn)業(yè)鏈內(nèi)外側(cè)、工業(yè)產(chǎn)業(yè)鏈各環(huán)節(jié)的對(duì)象、服務(wù)、產(chǎn)品相互聯(lián)系，以人工智能為核心的智慧信息技術(shù)體系，正推動(dòng)著新一輪產(chǎn)業(yè)變革與應(yīng)用創(chuàng)新，其將在協(xié)調(diào)各對(duì)象的過(guò)程中不斷提高生產(chǎn)效率和工業(yè)生態(tài)的穩(wěn)定。三、 我國(guó)發(fā)展

15、現(xiàn)狀2019 年 8 月，習(xí)近平總書記在向中國(guó)國(guó)際智能產(chǎn)業(yè)博覽會(huì)中指出，中國(guó)高度重視智能產(chǎn)業(yè)發(fā)展，加快數(shù)字產(chǎn)業(yè)化、產(chǎn)業(yè)數(shù)字化，推動(dòng)數(shù)字經(jīng)濟(jì)和實(shí)體經(jīng)濟(jì)深度融合。2020 年 5 月，國(guó)務(wù)院政府工作報(bào)告指出，要推動(dòng)制造業(yè)升級(jí)和新興產(chǎn)業(yè)發(fā)展，提高科技創(chuàng)新支撐能力。支持制造業(yè)高質(zhì)量發(fā)展，發(fā)展工業(yè)互聯(lián)網(wǎng)，推進(jìn)智能制造，培育新興產(chǎn)業(yè)集群。要繼續(xù)出臺(tái)支持政策，打造數(shù)字經(jīng)濟(jì)新優(yōu)勢(shì)。2020 年 9 月，習(xí)近平總書記在京召開科學(xué)家座談會(huì)議，強(qiáng)調(diào)經(jīng)濟(jì)社會(huì)發(fā)展和民生改善比以往任何時(shí)候都更加需要科學(xué)技術(shù)解決方案，要堅(jiān)持面向世界科技前沿、面向經(jīng)濟(jì)主戰(zhàn)場(chǎng)、面向國(guó)家重大需求，不斷向科學(xué)技術(shù)廣度與深度進(jìn)軍。工業(yè)智能是實(shí)現(xiàn)工業(yè)

16、高效運(yùn)轉(zhuǎn)模式的重要方法，它以工業(yè)大數(shù)據(jù)為基礎(chǔ)，強(qiáng)調(diào)人工智能方法驅(qū)動(dòng)與信息技術(shù)的融合，用于對(duì)工業(yè)場(chǎng)景中的全對(duì)象、全流程、全周期進(jìn)行感知、監(jiān)測(cè)、控制、決策、優(yōu)化、維護(hù)，推動(dòng)工業(yè)模式變革，實(shí)現(xiàn)產(chǎn)業(yè)生態(tài)升級(jí)。2013 年習(xí)近平總書記在考察遼寧時(shí)提出，要增強(qiáng)工業(yè)核心競(jìng)爭(zhēng)力，形成戰(zhàn)略性新興產(chǎn)業(yè)和傳統(tǒng)制造業(yè)并駕齊驅(qū)、信息化和工業(yè)化深度融合的產(chǎn)業(yè)發(fā)展新格局。 2015 年以來(lái)，黨中央和各部委先后在多個(gè)領(lǐng)域布局，推進(jìn)工業(yè)智能在不同場(chǎng)景下的快速應(yīng)用。2015 年 3 月工信部即開展了智能制造試點(diǎn)示范項(xiàng)目；2016 年 4 月工信部召開光伏產(chǎn)業(yè)智能制造研討會(huì)，提出要引導(dǎo)光伏制造業(yè)加快智能化、網(wǎng)絡(luò)化、信息化發(fā)展，促進(jìn)

17、高端產(chǎn)能和落后產(chǎn)能的市場(chǎng)分化；2017 年 11 月印發(fā)的國(guó)務(wù)院關(guān)于深化“互聯(lián)網(wǎng)+先進(jìn)制造業(yè)”發(fā)展工業(yè)互聯(lián)網(wǎng)的指導(dǎo)意見指出要發(fā)展先進(jìn)制 造業(yè)，支持傳統(tǒng)產(chǎn)業(yè)升級(jí)，形成智能化發(fā)展的新興業(yè)態(tài)和應(yīng)用模式；同年 11 月工信部發(fā)布的高端智能再制造行動(dòng)計(jì)劃（2018-2020）指 出，要推進(jìn)高端智能再制造關(guān)鍵工藝技術(shù)裝備研發(fā)應(yīng)用與產(chǎn)業(yè)化推廣，探索高端智能再制造產(chǎn)業(yè)發(fā)展新模式；2018 年 12 月工信部印發(fā)了車 聯(lián)網(wǎng)（智能網(wǎng)聯(lián)汽車）產(chǎn)業(yè)發(fā)展行動(dòng)計(jì)劃，同月協(xié)同交通運(yùn)輸部、國(guó) 防科工局印發(fā)了智能船舶發(fā)展行動(dòng)計(jì)劃（2019-2021 年），分別指 導(dǎo)陸地交通與水上交通工業(yè)的智能化發(fā)展；2019 年 10 月工信

18、部復(fù)函 山東省人民政府、深圳市人民政府，支持濟(jì)南-青島、深圳打造人工智 能產(chǎn)業(yè)集聚區(qū)，促進(jìn)人工智能技術(shù)的核心創(chuàng)新與深度融合應(yīng)用；2020 年 9 月工信部印發(fā)的建材工業(yè)智能制造數(shù)字化轉(zhuǎn)型行動(dòng)計(jì)劃（2021-2023 年）提出要建立建材智能制造標(biāo)準(zhǔn)體系，創(chuàng)建建材智能制造創(chuàng)新平臺(tái)，形成智能化、數(shù)字化、集成化系統(tǒng)解決方案，促進(jìn)行業(yè)變革。以上政策和行動(dòng)說(shuō)明，我國(guó)多點(diǎn)布局，正逐步構(gòu)建以智能制造為核心的工業(yè)智能新體系。我國(guó)工業(yè)發(fā)展持續(xù)增長(zhǎng)。據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)，2019 年我國(guó)全年國(guó)內(nèi)生產(chǎn)總值 990865 億元，全工業(yè)增加值 317109 億元，比上年增長(zhǎng) 5.7%，其中高技術(shù)制造業(yè)增加值比上年增長(zhǎng) 8.8

19、%，占規(guī)模以上工業(yè)增加值的比重 14.4%。高技術(shù)制造業(yè)是工業(yè)智能的實(shí)施前沿，由其增長(zhǎng)數(shù)據(jù)可知，工業(yè)智能為我國(guó)經(jīng)濟(jì)發(fā)展提供了強(qiáng)大的動(dòng)能，而由其占比也可以發(fā)現(xiàn)，除高技術(shù)制造業(yè)以外的傳統(tǒng)工業(yè)占比數(shù)倍于高技術(shù)制造業(yè)，實(shí)施工業(yè)智能轉(zhuǎn)型的空間也十分巨大。埃森哲也指出，預(yù)計(jì)到2035 年，我國(guó)制造業(yè)因人工智能的應(yīng)用其增加值增速可以提高 2.0%左右。工業(yè)智能推動(dòng)了技術(shù)、產(chǎn)品和應(yīng)用的發(fā)展。從 2020 線上中國(guó)國(guó) 際智能產(chǎn)業(yè)博覽會(huì)來(lái)看，其展示了以石墨烯柔性透明鍵盤、自動(dòng)調(diào)色 調(diào)、調(diào)光透的智能玻璃為代表的工業(yè)智能材料產(chǎn)品；清華大學(xué)電子工 程系教授研發(fā)的量子光譜儀，其可采用量子點(diǎn)納米材料識(shí)別物質(zhì)光譜，其將助推工

20、業(yè)智能感知的快速發(fā)展；中冶賽迪集團(tuán)展示的數(shù)字基礎(chǔ)設(shè) 施賽迪云以及鋼鐵行業(yè)工業(yè)互聯(lián)網(wǎng)平臺(tái)和以此拓展的 Q-TOUCH 云端城市管理平臺(tái)，顯示了工業(yè)智能的基礎(chǔ)應(yīng)用與其延伸；中國(guó)聯(lián)通 展示的“5th Generation Mobile Networks(5G)+Augmented Reality(AR)” 技術(shù)，模擬汽車遠(yuǎn)程運(yùn)維服務(wù)場(chǎng)景，相關(guān)設(shè)備已經(jīng)由華夏航空部署到 機(jī)場(chǎng)應(yīng)用；騰訊公司以大數(shù)據(jù)、人工智能、5G 網(wǎng)絡(luò)、云服務(wù)等技術(shù) 為核心，在智博會(huì)上搭建的智慧名城展館，展示了有關(guān)政務(wù)、教育、醫(yī)療、交通等智慧城市要素項(xiàng)目；國(guó)網(wǎng)重慶電力公司的“e 重慶”App 展示了其通過(guò)整合車輛、充電樁等多維度信息實(shí)現(xiàn)

21、狀態(tài)檢測(cè)、聯(lián)合分 析、安全預(yù)警等應(yīng)用的能力。由此可見，以工業(yè)智能為主導(dǎo)的產(chǎn)業(yè)變 革與科技創(chuàng)新，正不斷激發(fā)市場(chǎng)活力、孕育產(chǎn)業(yè)動(dòng)能以及重塑生活方 式。我國(guó)工業(yè)智能的主要應(yīng)用場(chǎng)景集中在以鋼鐵冶煉為代表的流程工業(yè)與汽車航空制造為代表的離散工業(yè)。一方面需要為各類制造行業(yè)解決通用性的問題，如質(zhì)量檢測(cè)、供應(yīng)鏈管理、現(xiàn)場(chǎng)監(jiān)控等，另一方面需要針對(duì)制造業(yè)的特性提供方案，如流程工業(yè)的安全、能耗、污染問題，離散工業(yè)的工藝、調(diào)度、個(gè)性化等問題。針對(duì)流程工業(yè)，上海寶鋼通過(guò)數(shù)據(jù)分析與參數(shù)優(yōu)化，實(shí)現(xiàn)能耗控制，通過(guò)基于Artificial Intelligence(AI)的智能鋼包，節(jié)約成本近70億元，同時(shí)其基于自動(dòng)識(shí)別智能、

22、控制等技術(shù)實(shí)現(xiàn)智能化倉(cāng)儲(chǔ)；而攀鋼通過(guò)應(yīng)用人工智能可優(yōu)化轉(zhuǎn)爐煉鋼復(fù)吹、造渣過(guò)程及冷軋工藝控制，年效益數(shù)千萬(wàn)元；陜鋼龍鋼公司則成功對(duì)450平米燒結(jié)機(jī)專家系統(tǒng)進(jìn)行了智能改造，日可增加余熱發(fā)電量1.5萬(wàn)千瓦時(shí)，減少二氧化碳排放1.5噸12。針對(duì)離散工業(yè)，福田汽車?yán)糜?jì)算機(jī)視覺、機(jī)器學(xué)習(xí)等技術(shù)通過(guò)將視覺檢測(cè)系統(tǒng)引入至噴涂機(jī)器人，捕捉車身噴涂外觀，在噴涂現(xiàn)場(chǎng)邊緣節(jié)點(diǎn)指導(dǎo)汽車噴涂作業(yè)；北京大興國(guó)際機(jī)場(chǎng)通過(guò)深度學(xué)習(xí)等實(shí)現(xiàn)資源優(yōu)化調(diào)配，通過(guò)分析飛機(jī)、氣象、人流量數(shù)據(jù)，支撐復(fù)雜決策。由上述工業(yè)智能發(fā)展現(xiàn)狀來(lái)看，工業(yè)智能的切入點(diǎn)主要為面向生產(chǎn)環(huán)節(jié)以及面向生產(chǎn)配套、增值服務(wù)，以此擴(kuò)展實(shí)現(xiàn)面向全流程全要素的服務(wù)化智能生

23、產(chǎn)。當(dāng)前，盡管我國(guó)工業(yè)智能的發(fā)展已經(jīng)取得了一些成果，但仍然面臨著一些挑戰(zhàn)，如人工智能模型場(chǎng)景適應(yīng)性差，反復(fù)建模工作量大；工業(yè)數(shù)據(jù)規(guī)模大、復(fù)雜度高，數(shù)據(jù)價(jià)值利用率低；信息技術(shù)發(fā)展快，工業(yè)智能與新技術(shù)銜接存在滯后。針對(duì)上述問題，分別從以下角度提出解決方案：通過(guò)研究伸縮性強(qiáng)、可遷移復(fù)用的人工智能算法，包括模型遷移、模型進(jìn)化等技術(shù)，可以有效提升人工智能的場(chǎng)景適應(yīng)性問題；通過(guò)對(duì)數(shù)據(jù)進(jìn)行全生命周期管理，挖掘數(shù)據(jù)潛在價(jià)值，可以加速工業(yè)數(shù)字化與智能化；通過(guò)人工智能與5G、多模態(tài)計(jì)算等新技術(shù)的快速融合適應(yīng)，可以推動(dòng)工業(yè)智能在人工智能技術(shù)日新月異的條件下動(dòng)態(tài)進(jìn)化與部署。四、 技術(shù)預(yù)見（一）國(guó)際技術(shù)預(yù)見模型遷移推動(dòng)

24、工業(yè)智能多場(chǎng)景復(fù)用目前工業(yè)領(lǐng)域正在向智能化、數(shù)字化方向發(fā)展，以文本、圖片、視頻、音頻為代表的海量工業(yè)數(shù)據(jù)成為推動(dòng)工業(yè)應(yīng)用落地的重要因素。傳統(tǒng)機(jī)器學(xué)習(xí)方法能夠有效處理工業(yè)數(shù)據(jù)，并已經(jīng)在許多工業(yè)場(chǎng)景中 得到良好應(yīng)用，但仍然面臨著數(shù)據(jù)質(zhì)量低、訓(xùn)練時(shí)間長(zhǎng)、模型性能差、 需求個(gè)性化等問題的嚴(yán)峻考驗(yàn)。遷移學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域中的新興 技術(shù)，能夠分別從數(shù)據(jù)、任務(wù)和模型三個(gè)角度出發(fā)，實(shí)現(xiàn)源、目域之 間的有效映射和可靠轉(zhuǎn)換，為上述問題提供可行的解決方案，推動(dòng)工 業(yè)智能多場(chǎng)景復(fù)用。在機(jī)械故障診斷研究中，以監(jiān)督學(xué)習(xí)為主的傳統(tǒng)機(jī)器學(xué)習(xí)方法往 往需要大量的標(biāo)記樣本數(shù)據(jù)，該過(guò)程不僅需要耗費(fèi)大量的人力、物力，同時(shí)難以保證訓(xùn)

25、練出可靠、精確的泛化模型。然而，遷移學(xué)習(xí)在對(duì) Convolutional Neural Networks(CNN)、Recurrent Neural Network(RNN) 等深度學(xué)習(xí)方法進(jìn)行適應(yīng)性改造后，能夠以小樣本學(xué)習(xí)方式訓(xùn)練模型，實(shí)現(xiàn)高效、可靠的工業(yè)設(shè)備故障診斷任務(wù)。在剩余壽命預(yù)測(cè)研究中，現(xiàn)已開發(fā)出基于稀疏編碼器的深度遷移學(xué)習(xí)網(wǎng)絡(luò)，通過(guò)將神經(jīng)網(wǎng)絡(luò)權(quán) 重轉(zhuǎn)移至新對(duì)象中，從而降低模型重復(fù)訓(xùn)練引起的開銷，完成對(duì)切削 工具的剩余壽命預(yù)測(cè)24。遷移學(xué)習(xí)加強(qiáng)了模型的普適性應(yīng)用，使不同工業(yè)智能應(yīng)用場(chǎng)景的復(fù)用成為可能，這在很大程度上減少了資源的浪費(fèi)；同時(shí)，遷移學(xué)習(xí)的出現(xiàn)為中小企業(yè)的數(shù)據(jù)欠缺和算力不足問

26、題提供了可行解決方案，并有效提升生產(chǎn)效率。值得一提的是，數(shù)字孿生作為連接物理實(shí)體與虛擬實(shí)體的全生命周期管理技術(shù)手段，其在工業(yè)場(chǎng)景的映射過(guò)程中，同樣強(qiáng)調(diào)遷移學(xué)習(xí)應(yīng)用的重要性，通過(guò)人工智能模型的精準(zhǔn)開發(fā)和復(fù)用，以提升產(chǎn)品設(shè)計(jì)、生產(chǎn)、管理各環(huán)節(jié)效率25。數(shù)據(jù)挖掘驅(qū)動(dòng)工業(yè)智能認(rèn)知與決策由于傳統(tǒng)統(tǒng)計(jì)分析方法無(wú)法適應(yīng)當(dāng)前工業(yè)應(yīng)用中的復(fù)雜需求，新一代人工智能技術(shù)開始成為推動(dòng)工業(yè)智能化發(fā)展的新動(dòng)力26。知識(shí)圖譜與深度學(xué)習(xí)作為新一代人工智能技術(shù)的典型代表，通過(guò)對(duì)復(fù)雜工業(yè)模型與海量工業(yè)數(shù)據(jù)的精準(zhǔn)建模與實(shí)時(shí)分析，可以實(shí)現(xiàn)工業(yè)應(yīng)用的智能認(rèn)知與決策，促進(jìn)知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)的雙向融合。在智能制造領(lǐng)域，知識(shí)圖譜以結(jié)構(gòu)化和扁

27、平化的方式對(duì)來(lái)自多層級(jí)的知識(shí)進(jìn)行表達(dá)和存儲(chǔ)，加強(qiáng)了產(chǎn)品物理模型、生產(chǎn)流程數(shù)據(jù)以及企業(yè)層級(jí)信息的全方面聯(lián)接，在產(chǎn)品仿真、生產(chǎn)設(shè)計(jì)、計(jì)劃調(diào)度等具體應(yīng)用中起到持續(xù)、可靠的決策作用。深度學(xué)習(xí)具有挖掘數(shù)據(jù)內(nèi)信息與數(shù)據(jù)間關(guān)系的能力27，在諸如生產(chǎn)設(shè)備故障診斷、遠(yuǎn)程運(yùn)維管理、制造工藝參數(shù)優(yōu)化等復(fù)雜場(chǎng)景的應(yīng)用中發(fā)揮重要作用，不僅有效規(guī)避了復(fù)雜工業(yè)模型的建立過(guò)程，還大大提高了分析效率與認(rèn)知能力。在現(xiàn)有研究中，已經(jīng)有學(xué)者提出了采用長(zhǎng)短期憶網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等方法對(duì)渦扇發(fā)動(dòng)機(jī)、軸承等工業(yè)設(shè)備進(jìn)行預(yù)測(cè)性維護(hù)和剩余壽命預(yù)測(cè)。除此之外，一些工業(yè)產(chǎn)品也應(yīng)運(yùn)而生，如 IBM 開發(fā)了 WatsonDiscovery 知識(shí)圖譜框

28、架，思愛普開發(fā)了預(yù)測(cè)性維護(hù)軟件 Predictive Maintenance and Service（PMS）。知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)融合下的工業(yè)應(yīng)用是當(dāng)前工業(yè)智能化發(fā)展的核心路線，以知識(shí)圖譜和深度學(xué)習(xí)為代表的新一代人工智能技術(shù)正是實(shí)施這一路線的重要手段。多協(xié)同計(jì)算促進(jìn)工業(yè)智能泛在支持云計(jì)算已經(jīng)在諸多領(lǐng)域得到廣泛應(yīng)用，但是隨著工業(yè)物聯(lián)網(wǎng)設(shè)備的大規(guī)模增加以及工業(yè)應(yīng)用對(duì)低時(shí)延性、高可靠性的強(qiáng)調(diào)和需求，現(xiàn)面臨著網(wǎng)絡(luò)資源、存儲(chǔ)資源和計(jì)算資源帶來(lái)的巨大壓力28。邊緣計(jì)算在網(wǎng)絡(luò)邊緣側(cè)實(shí)現(xiàn)通信、計(jì)算和存儲(chǔ)功能一體化，可與云計(jì)算充分融合交互以實(shí)現(xiàn)海量工業(yè)數(shù)據(jù)的高效感知與處理。云計(jì)算與邊緣計(jì)算的協(xié)同應(yīng)用是促進(jìn)工業(yè)智

29、能泛在支持的重要手段。從資源的角度看，邊緣計(jì)算將計(jì)算能力與存儲(chǔ)能力下沉至邊緣節(jié)點(diǎn)，以至于工業(yè)現(xiàn)場(chǎng)設(shè)備能夠?qū)崿F(xiàn)資源的自我配置、自我監(jiān)測(cè)、自我優(yōu)化等功能；云中心作為云計(jì)算的使能節(jié)點(diǎn)，集中收集邊緣設(shè)備信息，統(tǒng)籌資源調(diào)度管理29。從數(shù)據(jù)的角度看，工業(yè)邊緣設(shè)備實(shí)時(shí)采集生產(chǎn)、運(yùn)營(yíng)等過(guò)程中的海量工業(yè)數(shù)據(jù)，能夠按照相關(guān)需求對(duì)其進(jìn)行初步的信息分析與挖掘；云中心為接收到的海量工業(yè)數(shù)據(jù)提供更可靠、更高效的存儲(chǔ)與處理服務(wù)。從模型的角度看，云計(jì)算基于業(yè)務(wù)需求以一定周期訓(xùn)練可靠、精確的模型，并通過(guò)裁剪、遷移等方式將其下發(fā)給邊緣節(jié)點(diǎn)，大大保證了工業(yè)應(yīng)用中的服務(wù)質(zhì)量與用戶體驗(yàn)。在具體的產(chǎn)業(yè)應(yīng)用中，以微軟、亞馬遜、谷歌、阿里、

30、華為為代表的企業(yè)正著力開發(fā)云邊相關(guān)平臺(tái)，并促進(jìn)其在工業(yè)領(lǐng)域的應(yīng)用，例如，微軟開發(fā)了 Azure IoT Edge 平臺(tái)，阿里云推出了 Link Edge 邊緣計(jì)算框架。多協(xié)同計(jì)算模式促使云、邊、端一體化成為可能，也為工業(yè)智能服務(wù)提供了泛在支持。（二）國(guó)內(nèi)技術(shù)預(yù)見能耗控制拓寬工業(yè)智能布局由于工業(yè)物聯(lián)網(wǎng)設(shè)備的大規(guī)模連接和工業(yè)應(yīng)用場(chǎng)景的快速部署，高能耗問題在設(shè)備級(jí)和系統(tǒng)級(jí)皆引起了極大關(guān)注，如何實(shí)現(xiàn)低功耗、高效率的工業(yè)智能化發(fā)展成為研究熱點(diǎn)。從多角度看，輕量化學(xué)習(xí)算 法能夠有效降低訓(xùn)練過(guò)程的時(shí)間延遲；定制化工業(yè)芯片能夠滿足高算 力需求，降低由于計(jì)算設(shè)備自身能力不足造成的能源消耗；無(wú)線電能 傳輸借助電磁

31、場(chǎng)將太陽(yáng)能、風(fēng)能等自然能源傳輸給工業(yè)物聯(lián)網(wǎng)設(shè)備30，這為無(wú)源工業(yè)設(shè)備提供能源支持。對(duì)CNN、You Only Look Once(YOLO)改進(jìn)的輕量化算法在產(chǎn)品目標(biāo)檢測(cè)中已經(jīng)得到良好應(yīng)用，該類方法通過(guò)裁剪模型，滿足弱存儲(chǔ)與弱計(jì)算環(huán)境下的計(jì)算任務(wù)，這在很大程度上降低了計(jì)算開銷。傳統(tǒng) CPU 在商業(yè)應(yīng)用中收獲了良好效益，但是其有限的計(jì)算能力難以滿足工業(yè)應(yīng)用的巨大計(jì)算需求，在運(yùn)行大規(guī)模人工智能算法過(guò)程中會(huì)造成大量的時(shí)間延遲與能源消耗。Field Programmable Gata Array(FPGA)作為一種專用集成電路中的半定制集成電路，能夠面向特定工業(yè)應(yīng)用場(chǎng)景，融合實(shí)際、可靠的人工智能算法，

32、為開發(fā)個(gè)性化、定制化的計(jì)算芯片提供可能，這在降低計(jì)算開發(fā)成本與提升任務(wù)執(zhí)行效率兩方面提供了一種有效的解決方案。無(wú)線電能傳輸為工業(yè)現(xiàn)場(chǎng)的聯(lián)網(wǎng)設(shè)備提供一種無(wú)源能量收集方法，工業(yè)物聯(lián)網(wǎng)設(shè)備能夠在無(wú)源方式下，通過(guò)自身配置的能源收集裝置完成對(duì)自然能源的采集。能耗控制成功地降低了工業(yè)應(yīng)用過(guò)程中的時(shí)間延遲和能源消耗，在一定程度上延長(zhǎng)了工業(yè)物聯(lián)網(wǎng)設(shè)備的使用壽命，是工業(yè)智能化發(fā)展的重要趨勢(shì)。數(shù)據(jù)安全保障工業(yè)智能應(yīng)用安全是工業(yè)智能發(fā)展的基礎(chǔ)與前提，保障工業(yè)智能應(yīng)用中的數(shù)據(jù)安全是構(gòu)建工業(yè)安全體系的重要一環(huán)。工業(yè)數(shù)據(jù)安全跨越設(shè)備、網(wǎng)絡(luò)、應(yīng)用等多層級(jí)，涵蓋設(shè)計(jì)、生產(chǎn)、采購(gòu)、管理等多環(huán)節(jié)。區(qū)塊鏈技術(shù)與聯(lián)邦學(xué)習(xí)算法的興起，

33、為打破工業(yè)數(shù)據(jù)孤島，保障工業(yè)數(shù)據(jù)安全提供了可靠支撐31。聯(lián)邦學(xué)習(xí)有客戶端-服務(wù)器和對(duì)等網(wǎng)絡(luò)兩種常用框架。在客戶端-服務(wù)器框架下，聯(lián)邦學(xué)習(xí)保證異構(gòu)工業(yè)設(shè)備在不公開隱私數(shù)據(jù)的前提下完成局部計(jì)算任務(wù)，并通過(guò)服務(wù)器的中心聚合能力實(shí)現(xiàn)高效、安全的加密計(jì)算。區(qū)塊鏈本質(zhì)上是一個(gè)開放式、分布式的數(shù)字賬本，通過(guò)共識(shí)算法、數(shù)字簽名等技術(shù)在物流溯源、供應(yīng)鏈管理和工業(yè)數(shù)據(jù)安全存儲(chǔ)方面提供可靠幫助；區(qū)塊鏈通過(guò)與邊緣計(jì)算和人工智能技術(shù)的結(jié)合，能夠有效增強(qiáng)網(wǎng)絡(luò)魯棒性，數(shù)據(jù)傳輸可靠性，并有效提升邊緣智能的信息共享能力。工業(yè)數(shù)據(jù)安全貫穿數(shù)據(jù)全生命周期，包括工業(yè)數(shù)據(jù)采集、傳輸、存儲(chǔ)、遷移等環(huán)節(jié)。工業(yè)數(shù)據(jù)的單向流動(dòng)向雙向流動(dòng)的轉(zhuǎn)變

34、，給工業(yè)安全帶來(lái)了巨大挑戰(zhàn)，這也促使區(qū)塊鏈技術(shù)與聯(lián)邦學(xué)習(xí)等成為保障工業(yè)安全應(yīng)用的重要技術(shù)。高速通信助力工業(yè)智能創(chuàng)新新一代通信技術(shù)（5G）具有多天線、同頻全雙工、高頻傳輸、密集網(wǎng)絡(luò)和多載波的特點(diǎn)，為工業(yè)現(xiàn)場(chǎng)設(shè)備提供低時(shí)延、高可靠、大帶寬的泛在連接。5G 通信技術(shù)與工業(yè)應(yīng)用場(chǎng)景緊密結(jié)合，促進(jìn)了工業(yè)智能創(chuàng)新發(fā)展。與工業(yè)物聯(lián)網(wǎng)技術(shù)的融合應(yīng)用中，5G 通信技術(shù)加速工業(yè)物聯(lián)網(wǎng)設(shè)備采集數(shù)據(jù)的上傳過(guò)程，為萬(wàn)物互聯(lián)提供了可能；與云邊協(xié)同技術(shù)的融合應(yīng)用中，5G 通信技術(shù)緩解了云中心帶寬不足、傳輸延遲低下、安全可靠性差的問題；與實(shí)際工業(yè)服務(wù)的融合應(yīng)用中，例如設(shè)備故障監(jiān)測(cè)、預(yù)測(cè)性維護(hù)等，5G 通信技術(shù)保障了服務(wù)響應(yīng)的

35、實(shí)時(shí)性，在一定程度上提升了服務(wù)質(zhì)量與用戶體驗(yàn)。在實(shí)際應(yīng)用中，寧波舟山港采用 5G 技術(shù)實(shí)現(xiàn)多吊車并行作業(yè)；中國(guó)聯(lián)通發(fā)布首個(gè)工業(yè)互聯(lián)網(wǎng)端到端網(wǎng)關(guān)。5G 通信技術(shù)是當(dāng)前通信領(lǐng)域的重大突破，也是工業(yè)智能發(fā)展的趨勢(shì)。五、 工程難題（一）國(guó)際工程難題可適應(yīng)、可進(jìn)化的智能算法工業(yè)場(chǎng)景和基礎(chǔ)設(shè)施對(duì)解決方案的要求很高，因此，現(xiàn)有的一些深度學(xué)習(xí)方法并不能直接套用到工業(yè)生產(chǎn)應(yīng)用中。首先，由于深度學(xué)習(xí)算法本身的非解釋性可能會(huì)加劇工業(yè)應(yīng)用中的不可靠現(xiàn)象發(fā)生，Radial Basis Function(RBF)、Long Short TermMemory(LSTM)與 CNN 等主流神經(jīng)網(wǎng)絡(luò)的輸出層函數(shù)均為基于概率分布

36、的函數(shù)，其對(duì)新數(shù)據(jù)泛化性較差，在分類或識(shí)別中的準(zhǔn)確性往往不可能達(dá)到 100%。這在一般的應(yīng)用生活應(yīng)用場(chǎng)景中往往是可接受的，但考慮到工業(yè)領(lǐng)域和核心環(huán)節(jié)的高精確的需求，如設(shè)備運(yùn)行參數(shù)、原料的配比等，若直接使用，將對(duì)生產(chǎn)、制造等環(huán)節(jié)，甚至生命財(cái)產(chǎn)安全產(chǎn)生巨大影響。這導(dǎo)致了目前深度學(xué)習(xí)算法僅應(yīng)用于如產(chǎn)品缺陷質(zhì)量檢測(cè)、設(shè)備故障檢測(cè)或預(yù)測(cè)性維護(hù)等低危、輔助的工業(yè)場(chǎng)景中。其次，深度學(xué)習(xí)技術(shù)往往用于解決“大數(shù)據(jù)”問題，需要大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練，但隨著物聯(lián)網(wǎng)技術(shù)的發(fā)展和工業(yè)場(chǎng)景的實(shí)時(shí)性需求升級(jí)，越來(lái)越多的人工智能與工業(yè)場(chǎng)景的融合將面臨“小數(shù)據(jù)”問題。如面臨設(shè)備故障時(shí)，解決最直接的運(yùn)行問題只需要部分物聯(lián)網(wǎng)傳輸?shù)膶?shí)

37、時(shí)數(shù)據(jù)。利用小數(shù)據(jù)進(jìn)行實(shí)時(shí)建模、快速訓(xùn)練與及時(shí)部署將是機(jī)器學(xué)習(xí)算法在工業(yè)場(chǎng)景應(yīng)用的新課題。最后，在硬件方面，開發(fā)者和芯片廠商需要確保具體工業(yè)場(chǎng)景和和芯片之間良好的適配性，同時(shí)對(duì)芯片的性能提出更高要求。在一些實(shí)時(shí)性要求較高的工業(yè)場(chǎng)景中，對(duì)一些數(shù)據(jù)的處理、掃描速度的要求在 1/10 秒，甚至微秒級(jí)別，許多芯片的計(jì)算速度無(wú)法滿足實(shí)際需求，造成空有方案卻無(wú)法實(shí)施的尷尬局面。多特征、廣覆蓋的數(shù)據(jù)處理知識(shí)圖譜、數(shù)字孿生等都是對(duì)繁雜工業(yè)數(shù)據(jù)的一種處理技術(shù)，是提高工業(yè)企業(yè)數(shù)字化的途徑，其首要難點(diǎn)就是對(duì)原始數(shù)據(jù)的采集、清洗和加工。與互聯(lián)網(wǎng)數(shù)據(jù)不同，開發(fā)者在采集工業(yè)數(shù)據(jù)時(shí)將會(huì)面臨許多不同的工業(yè)協(xié)議，如 ModBu

38、s、ControlNet、DeviceNet、Object Linking and Embedding for Process Control(OPC)、Controller Area Network(CAN)、 Process Field Bus(Profibus)等，甚至還有部分工業(yè)設(shè)備生產(chǎn)商會(huì)自行研發(fā)各種私有的工業(yè)協(xié)議，給數(shù)據(jù)的互聯(lián)互通和整合帶來(lái)麻煩。同時(shí)，以目前的傳感器、物聯(lián)網(wǎng)技術(shù)，仍無(wú)法達(dá)到對(duì)機(jī)器的精確全域覆蓋，采集到的數(shù)據(jù)仍然不夠詳盡，導(dǎo)致數(shù)字孿生體的建模會(huì)有所缺失，導(dǎo)致預(yù)測(cè)與判斷產(chǎn)生誤差。針對(duì)不同的工業(yè)場(chǎng)景，數(shù)據(jù)的清洗加工程度很難確定。如果清洗加工程度太高，會(huì)無(wú)法提取到足夠的特征

39、，當(dāng)清洗加工程度太低時(shí)，不僅提高了學(xué)習(xí)和仿真環(huán)境搭建的復(fù)雜度，也加大了數(shù)據(jù)傳輸與存儲(chǔ)的難度。此外，由于傳感器準(zhǔn)確度不高以及工業(yè)特殊情況下網(wǎng)絡(luò)連接不可靠，收集到的數(shù)據(jù)可能會(huì)與實(shí)際數(shù)據(jù)產(chǎn)生偏差。在數(shù)字孿生技術(shù)的應(yīng)用中，模型的建立是關(guān)鍵，但工業(yè)環(huán)境的復(fù)雜性增加了建模的難度。當(dāng)開發(fā)者對(duì)一個(gè)客體的功能、關(guān)系和狀態(tài)進(jìn)行建模時(shí)，不僅依靠本體的歷史設(shè)計(jì)模型，還需要考慮到客體與周邊環(huán)境相關(guān)的行為和安全保障。建模的難度將隨著客體的復(fù)雜程度呈指數(shù)性增長(zhǎng)。以發(fā)動(dòng)機(jī)為例，僅一個(gè)發(fā)動(dòng)機(jī)，其內(nèi)部的各個(gè)單一元件可能超過(guò) 1000 個(gè)，若是擴(kuò)展到一個(gè)發(fā)動(dòng)機(jī)廠商的全生命周期制造產(chǎn)業(yè)鏈，則可能指數(shù)級(jí)擴(kuò)張到數(shù)十萬(wàn)個(gè)，甚至數(shù)千萬(wàn)。目前

40、數(shù)字孿生技術(shù)的領(lǐng)頭企業(yè)，美國(guó)通用公司，也僅達(dá)到了對(duì)其每個(gè)發(fā)動(dòng)機(jī)、渦輪等產(chǎn)品的數(shù)字孿生體創(chuàng)造，其數(shù)量就已經(jīng)超過(guò) 100 萬(wàn)個(gè)，若涉及全生命周期的產(chǎn)品生產(chǎn)過(guò)程，其建模的工程量將變得更加驚人?？祉憫?yīng)、高穩(wěn)定的云邊交互盡管邊緣計(jì)算通過(guò)將計(jì)算下沉邊緣的模式可以很好節(jié)省帶寬，可 以有效提升工業(yè)智能的處理效率和降低工業(yè)生產(chǎn)成本。但這并不意味 可以完全依賴邊緣節(jié)點(diǎn)而忽視中心云的作用。從工業(yè)業(yè)務(wù)的角度，隨 著物聯(lián)網(wǎng)技術(shù)的進(jìn)步，海量物聯(lián)網(wǎng)傳感器終端將給邊緣節(jié)點(diǎn)帶來(lái)更大 的流量壓力。從工業(yè)互聯(lián)網(wǎng)部署環(huán)境的角度，邊緣資源的異構(gòu)性和傳 感器在地理上的分散性會(huì)導(dǎo)致網(wǎng)絡(luò)邊緣存儲(chǔ)、計(jì)算、帶寬資源十分緊 缺。當(dāng)邊緣節(jié)點(diǎn)資源不足

41、時(shí)，需要中心云端資源可以進(jìn)行及時(shí)補(bǔ)充。當(dāng)邊緣節(jié)點(diǎn)與中心云的網(wǎng)絡(luò)連接發(fā)生擁塞時(shí)，云端需要立即將流量引 入空閑鏈路。因此，提高邊緣端和云端的協(xié)同性是邊緣計(jì)算在智能工 業(yè)制造中落地所面臨的最大難題。不僅需要考慮邊緣節(jié)點(diǎn)間的資源分 配和任務(wù)調(diào)度，同時(shí)需要優(yōu)化邊緣節(jié)點(diǎn)與中心云間的分配與調(diào)度問題。不合適的資源分配和任務(wù)部署會(huì)極大的增加縮容頻次32，影響任務(wù)的 執(zhí)行效率并對(duì)本不充足的計(jì)算資源加重負(fù)擔(dān)。此外，在邊緣計(jì)算的數(shù)據(jù)尋址、確權(quán)和交換時(shí)，由于當(dāng)下通信技 術(shù)的蓬勃發(fā)展，在工業(yè)生產(chǎn)中將藍(lán)牙、Near-Field Communication(NFC) 等技術(shù)支持設(shè)備接入工業(yè)互聯(lián)網(wǎng)后，使得網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)出現(xiàn)動(dòng)態(tài)變

42、化，大量邊緣設(shè)備節(jié)點(diǎn)的接入帶來(lái)了移動(dòng)性和擴(kuò)展性上的問題，即邊緣網(wǎng)絡(luò)的動(dòng)態(tài)命名機(jī)制問題。當(dāng)前傳統(tǒng)的命名機(jī)制如 Domain Name System(DNS)、Uniform Resource Identifier(URI)等并不能很好的解決 邊緣計(jì)算中的數(shù)據(jù)傳輸問題。盡管已經(jīng)有人提出一些動(dòng)態(tài)命名問題的解決方案，但距離應(yīng)用到工業(yè)場(chǎng)景中仍需進(jìn)一步實(shí)驗(yàn)以解決一些適應(yīng)性問題。最后，與云計(jì)算相比，邊緣計(jì)算場(chǎng)景更貼近數(shù)據(jù)生產(chǎn)者，這會(huì)對(duì)邊緣節(jié)點(diǎn)的軟硬件升級(jí)帶來(lái)一定困難。邊緣節(jié)點(diǎn)往往遠(yuǎn)離計(jì)算服務(wù)的提供者，不僅數(shù)量眾多且在地理上具有一定的離散性，涉及硬件的維護(hù)與升級(jí)更是需要親臨現(xiàn)場(chǎng)。若僅依賴服務(wù)提供商進(jìn)行升級(jí)維護(hù)

43、，將帶來(lái)大量的成本開銷。而工業(yè)生產(chǎn)者作為使用方，對(duì)邊緣節(jié)點(diǎn)設(shè)備的不熟悉也會(huì)加快其維護(hù)的頻率，降低計(jì)算服務(wù)質(zhì)量的穩(wěn)定性。（二）國(guó)內(nèi)工程難題綠色制造有待優(yōu)化目前我國(guó)的綠色智能制造一般從 2 個(gè)方面著手：精益制造和能耗管理。精益制造，即消除浪費(fèi)、增加效率。通過(guò)推行工業(yè)智能化的改革，利用智慧管理平臺(tái)相比過(guò)去已經(jīng)有了重大的改觀，但在能耗管理上，仍存在許多難題。工業(yè)場(chǎng)景下的能耗管理模型，具有多種能源系統(tǒng)和復(fù)雜的運(yùn)行環(huán)境，需要考慮的影響因素很多。由于我國(guó)的數(shù)字化改革仍未完成，各個(gè)工業(yè)生產(chǎn)部門間的數(shù)據(jù)共享機(jī)制仍未完成，對(duì)于整體工業(yè)場(chǎng)景的總體能耗標(biāo)準(zhǔn)、用能現(xiàn)狀仍不清楚，無(wú)法準(zhǔn)確合理地制定統(tǒng)一的節(jié)能方向。并且工業(yè)

44、生產(chǎn)過(guò)程中設(shè)備種類眾多，涉及的工業(yè)場(chǎng)景比較復(fù)雜，一方面對(duì)建立模型有難度，另一方面，存在運(yùn)行狀態(tài)多變，收集數(shù)據(jù)誤差等多個(gè)不確定因素，這種不確定因素將隨著工業(yè)場(chǎng)景的復(fù)雜化而增多，給夠影響能耗決策的判斷。從網(wǎng)絡(luò)數(shù)據(jù)傳輸?shù)慕嵌?，工業(yè)智能會(huì)讓原本復(fù)雜的混合工業(yè)網(wǎng)絡(luò)架構(gòu)更加多樣化，復(fù)雜多變的物聯(lián)網(wǎng)環(huán)境，如邊緣設(shè)備間頻繁的通信和移動(dòng)會(huì)導(dǎo)致網(wǎng)絡(luò)連接發(fā)生中斷，設(shè)備重連過(guò)程將需要尋找其他路徑或延續(xù)之前的路徑，這會(huì)導(dǎo)致大量的能源浪費(fèi)。若將所有服務(wù)放在云端，又會(huì)導(dǎo)致云端收到的請(qǐng)求過(guò)多，引起云中心的負(fù)載過(guò)重和網(wǎng)絡(luò)擁塞，同樣會(huì)加重網(wǎng)絡(luò)的能耗。安全技術(shù)仍待開發(fā)聯(lián)邦學(xué)習(xí)和區(qū)塊鏈作為解決安全問題的重要技術(shù)手段，是當(dāng)前的熱點(diǎn)研究

45、方向，但仍然需要解決工業(yè)場(chǎng)景中應(yīng)用的兼容性問題。聯(lián)邦學(xué)習(xí)中用戶只分享局部參數(shù)，而不泄露私人數(shù)據(jù)，相比與傳統(tǒng)的集中式學(xué)習(xí)顯然更加安全。但聯(lián)邦學(xué)習(xí)技術(shù)仍存在包括隱私在內(nèi)的許多技術(shù)問題。首先，聯(lián)邦學(xué)習(xí)的參數(shù)接收方，中心的集中管理者仍然容易受到攻擊，導(dǎo)致整個(gè)學(xué)習(xí)過(guò)程失敗。其次，聯(lián)邦學(xué)習(xí)過(guò)程中參數(shù)共享需要頻繁地進(jìn)行數(shù)據(jù)交互，也會(huì)增加用戶被攻擊的可能性。為了對(duì)共享參數(shù)進(jìn)行加密一般采取為用戶分配密鑰的方式，但目前傳統(tǒng)的加密方法，如 Self Modifying Code(SMC) 、 Differential Privacy(DP) 、 Homomorphic Encryption(HE)等并不能很好滿足聯(lián)

46、邦學(xué)習(xí)的需求33。最后，聯(lián)邦學(xué)習(xí)的學(xué)習(xí)速度也是阻礙其大規(guī)模應(yīng)用工業(yè)場(chǎng)景的原因之一。相比于傳統(tǒng)學(xué)習(xí)方式的本地訓(xùn)練，聯(lián)邦學(xué)習(xí)這種分布式學(xué)習(xí)的方式會(huì)面臨大規(guī)模的通信和節(jié)點(diǎn)的計(jì)算開銷，對(duì)訓(xùn)練過(guò)程的優(yōu)化和加速一直是開發(fā)者們研究的課題。目前區(qū)塊鏈技術(shù)同樣要面對(duì)安全和性能問題。安全問題上，主要面對(duì) 51%攻擊問題，即當(dāng)攻擊者掌握全網(wǎng) 51%以上的算力時(shí)，就可以擁有篡改和偽造區(qū)塊鏈的能力。但由于算力、共識(shí)和社群的分裂和稀釋，有時(shí) 51%已經(jīng)不是區(qū)塊鏈被攻擊的底線。此外還有諸如雙花攻擊、女巫攻擊等安全威脅。從性能方面看，目前問題主要在于目前區(qū)塊鏈技術(shù)自身的共識(shí)速度、存儲(chǔ)容量等性能指標(biāo)與智能工業(yè)環(huán)境下海量終端的低

47、延時(shí)應(yīng)用需求存在差距。當(dāng)提升數(shù)據(jù)大量寫入、低時(shí)延、高并發(fā)場(chǎng)景續(xù)航能力時(shí)，可能就不能完全保證安全防護(hù)問題，這需要根據(jù)具體項(xiàng)目的特點(diǎn)做出個(gè)性化的取舍。5G 技術(shù)尚需融合工業(yè)的各個(gè)細(xì)化應(yīng)用場(chǎng)景需求差異較大，5G 作為新興的通信技術(shù)服務(wù)和聯(lián)通解決方案，目前還并不能完全理解工業(yè)場(chǎng)景下的網(wǎng)絡(luò)需求。當(dāng)前的大部分 5G 芯片/終端方案在與工業(yè)場(chǎng)景需求和工業(yè)技術(shù)特性對(duì)接上存在不足，還不能滿足各種工業(yè)場(chǎng)景對(duì)可靠性、工作溫度、終端形態(tài)等方面的技術(shù)要求。就 5G 自身來(lái)看，一方面，高精度網(wǎng)絡(luò)的建設(shè)和維護(hù)要求高、難度大，需要新的支撐手段。尤其在工業(yè)場(chǎng)景下，大帶寬傳輸一旦出現(xiàn)故障，不僅將會(huì)造成經(jīng)濟(jì)損失，甚至引發(fā)重大安全事

48、故。另一方面，在抗干擾能力上，由于 5G 網(wǎng)絡(luò)中相鄰節(jié)點(diǎn)的傳輸損耗差別不大，導(dǎo)致多個(gè)干擾源強(qiáng)度相近，這是現(xiàn)有的方法難以解決的。聚焦國(guó)內(nèi)場(chǎng)景，國(guó)內(nèi)工業(yè)企業(yè)數(shù)字化水平也對(duì) 5G 賦能造成了極大制約。根據(jù)兩化融合服務(wù)聯(lián)盟的統(tǒng)計(jì)數(shù)據(jù)，截止到 2020 年前，參評(píng)的 15 萬(wàn)家工業(yè)企業(yè)在生產(chǎn)設(shè)備數(shù)字化率、關(guān)鍵工序數(shù)控化率均不到 50%，而工業(yè)企業(yè)智能制造就緒率僅為 7.6%。許多工業(yè)行業(yè)仍沒有應(yīng)用計(jì)算機(jī)輔助設(shè)計(jì)（Computer Aided Design , CAD）、制造執(zhí)行系統(tǒng)（Manufacturing Execution System , MES）、產(chǎn)品生命周期管理系統(tǒng)（Product Life

49、cycle Management , PLM）等配套工業(yè)數(shù)字化軟件34。因此，配套服務(wù)的提升也是 5G 快速部署的關(guān)鍵。六、 政策建議綜合分析國(guó)內(nèi)外工業(yè)智能相關(guān)技術(shù)、工業(yè)智能發(fā)展趨勢(shì)及面臨的挑戰(zhàn)，本報(bào)告給出以下幾點(diǎn)建議：加大人工智能基礎(chǔ)算法研究投入，提高算法適應(yīng)性能力。一是以提升模型遷移性為目標(biāo)，減少人工智能算法應(yīng)用阻礙，二是研究可伸縮、自進(jìn)化的人工智能算法，以增量學(xué)習(xí)為核心，實(shí)現(xiàn)人工智能模型的永久學(xué)習(xí)。提升數(shù)據(jù)驅(qū)動(dòng)下人工智能方法的安全性能以及能耗控制。研究分布式場(chǎng)景下的多源異構(gòu)工業(yè)數(shù)據(jù)采集、管理、利用方法，以在數(shù)據(jù)安全的條件下最大化數(shù)據(jù)效用；研究人工智能算法在不同場(chǎng)景下的能耗優(yōu)化，以達(dá)到性能

50、與成本之間的最優(yōu)均衡。加速人工智能與 5G 等新興技術(shù)的融合，著重研究其在多模態(tài)計(jì)算模式下在工業(yè)場(chǎng)景中的應(yīng)用。利用 5G 技術(shù)的高帶寬、低時(shí)延優(yōu)勢(shì)以及多模態(tài)計(jì)算的靈活性，促進(jìn)高實(shí)時(shí)、廣覆蓋的工業(yè)智能在工業(yè)場(chǎng)景中的深入部署。政府結(jié)合工業(yè)智能的發(fā)展實(shí)際出臺(tái)政策。一方面，加大教育和基礎(chǔ)研究投入，為工業(yè)智能的發(fā)展提供土壤。另一方面，完善基礎(chǔ)設(shè)施以及與之配套的產(chǎn)業(yè)鏈，出臺(tái)相關(guān)政策，激勵(lì)工業(yè)產(chǎn)業(yè)主動(dòng)升級(jí)轉(zhuǎn)型。相關(guān)部門和組織開展重要工業(yè)領(lǐng)域的測(cè)試床項(xiàng)目，加快重要領(lǐng)域工業(yè)智能的標(biāo)準(zhǔn)化設(shè)計(jì)進(jìn)程，建立統(tǒng)一業(yè)務(wù)標(biāo)準(zhǔn)。參考文獻(xiàn)Silva D D, Sierla S, Alahakoon D, et al. “Towa

51、rd Intelligent Industrial Informatics: A Review of Current Developments and Future Directions of Artificial Intelligence in Industrial Applications,” IEEE Industrial Electronics Magazine, vol. 14, no. 2, pp. 57-72, 2020.L. Li, K. Ota, and M. Dong, “When weather matters: IoT-based electrical load for

52、ecasting for smart grid,” IEEE Commum. Mag., vol. 55, no. 10, pp. 4651, 2017.D. Li and S. K. Jayaweera, “Machine-learning aided optimal customer decisions for an interactive smart grid,” IEEE Syst. J., vol. 9, no. 4, pp. 15291540, 2015.Z. Ouyang, X. Sun, J. Chen, D. Yue, and T. Zhang, “Multi-view st

53、acking ensemble for power consumption anomaly detection in the context of industrial internet of things,” IEEE Access., vol. 6, pp. 9623 9631, 2018.M. Rezamand, M. Kordestani, R. Carriveau, D. S. Ting and M. Saif, An Integrated Feature-Based Failure Prognosis Method for Wind Turbine Bearings, in IEE

54、E/ASME Transactions on Mechatronics, vol. 25, no. 3, pp. 1468-1478, June 2020.M. Gangadaran and S. Mitra, Application of close loop expert system for heating control of rolling mill furnaces in a steel plant, 2016 IEEE First International Conference on Control, Measurement andInstrumentation (CMI),

55、Kolkata, 2016, pp. 290-294.R. Nawaratne, D. Alahakoon, D. D. Silva, and X. Yu, “Spatiotemporal anomaly detection using deep learning for real-time video surveillance,” IEEE Trans. Ind. Informat., vol. 16, no. 1, pp. 393402, 2019.D. Kleyko, E. Osipov, N. Papakonstantinou, and V. Vyatkin, “Hyperdimens

56、ional computing in industrial systems: The use-case of distributed fault isolation in a power plant,” IEEE Access., vol. 6, pp. 30,76630,777, 2018.M. Ma, C. Sun, and X. Chen, “Discriminative deep belief networks with ant colony optimization for health status assessment of machine,” IEEE Trans. Instr

57、um. Meas., vol. 66, no. 12, pp. 31153125, 2017.H. Shao, H. Jiang, H. Zhang, and T. Liang, “Electric locomotive bearing fault diagnosis using a novel convolutional deep belief network,” IEEE Trans. Ind. Electron., vol. 65, no. 3, pp. 27272736, 2018.S. Langarica, C. Rffelmacher and F. Nez, An Industri

58、al Internet Application for Real-Time Fault Diagnosis in Industrial Motors, in IEEE Transactions on Automation Science and Engineering, vol. 17, no. 1, pp. 284-295, Jan. 2020.工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟， 工業(yè)智能白皮書， 2020.S. A. Osia, A. S. Shamsabadi, A. Taheri, H. R. Rabiee, and H. Haddadi, “Private and scalable persona

59、l data analytics using hybrid edge to-cloud deep learning,” Computer, vol. 51, no. 5, pp. 4249, 2018.R. Nawaratne, D. Alahakoon, D. De Silva, P. Chhetri, and N. Chilamkurti, “Self-evolving intelligent algorithms for facilitating data interoperability in IoT environments,” Future Gener. Comput. Syst.

60、, vol. 86, pp. 421432, Sept. 2018.B. Tang et al., “Incorporating intelligence in fog computing for big data analysis in smart cities,” IEEE Trans. Ind. Informat., vol. 13, no. 5, pp. 21402150, 2017.M. M. N. Aboelwafa, K. G. Seddik, M. H. Eldefrawy, Y. Gadallah andM. Gidlund, A Machine-Learning-Based